当处理完数据后，就可以来进行网络的搭建了。按照DCGAN论文中的描述，所有模型权重均应从 mean为0，sigma为0.02的正态分布中随机初始化。
4.1 生成器
生成器 G的功能是将隐向量z 映射到数据空间。由于数据是图像，这一过程也会创建与真实图像大小相同的 RG8 图像。在实践场景中，该功能是通过一系列
Conv2dTranspose 转置卷积层来完成的，每个层都与 BatchNorm2d 层和 ReLu 激活层配对，输出数据会经过 tanh 函数，使其返回[-1,1]的数据范围内。
DCGAN论文生成图像如下所示:
- 图片来源: Liuk:Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks
我们通过输入部分中设置的 nz、ngf 和 nc 来影响代码中的生成器结构。 nz 是隐向量 z的长度，
ngf 与通过生成器传播的特征图的大小有关，nc 是输出图像中的通道数。
以下是生成器的代码实现：
4.2 判别器
如前所述，判别器D是一个二分类网络模型，输出判定该图像为真实图的概率。通过一系列的 conv2d、
BatchNorm2d 和 LeakyReLu 层对其进行处理，最后通过 Sigmoid 激活函数得到最终概率。
DCGAN论文提到，使用卷积而不是通过池化来进行下采样是一个好方法，因为它可以让网络学习自己的池化特征。
判别器的代码实现如下: